基于机器学习的 interatomic potentials 用于 $\beta$-Sn 中双晶边界的结构与迁移研究
材料科学
2025-05-14 v1
摘要
虽然原子尺度模拟已为我们理解 HCP 晶体结构金属和合金中双晶边界的结构与迁移作出了重要贡献，但对于其他低对称材料的双晶研究仍鲜有直接的原子尺度研究，主要是由于缺乏可靠的 interatomic potentials。本文我们考察了 -Sn 中双晶边界的结构与迁移，比较了 -Sn 中变形双晶的高分辨率传输电子显微镜 (TEM) 图像与使用多种 interatomic potentials 进行的直接原子尺度模拟结果。我们发现本工作开发的基于机器学习的 potentials 能给出与实验数据相符的结果，揭示了由双晶中断面 (disconnections) 的核生成和运动形成的棱台双晶边界结构。我们结合双晶学方法和原子尺度模拟来分析观察到的双晶棱台的结构、能量和剪切耦合迁移。在类似于 HCP 金属中棱面-基面 (PB/BP) 界面的情况下，我们发现对 -Sn 中双晶增长至关重要的低能量非对称棱面-A平面 (PA/AP) 界面。我们制作了适用于研究 -Sn 中双晶和相变的矩霍尔势 (Moment Tensor Potential, MTP) 和 Rapid Artificial Neural Network (RANN) interatomic potentials，并将其公开发布。
引用
@article{arxiv.2505.08732,
title = {The structure and migration of twin boundaries in tetragonal $\beta$-Sn: an application of machine learning based interatomic potentials},
author = {Ian Chesser and Mashroor Nitol and Esther C. Hessong and Himanshu Joshi and Nikhil Admal and Brandon Runnels and Daniel N. Blaschke and Khanh Dang and Abigail Hunter and Saryu Fensin},
journal= {arXiv preprint arXiv:2505.08732},
year = {2025}
}